摘要：大语言模型技术的突破性发展为社交网络研究提供了强大工具，推动社交网络多智能体仿 真进入全新发展阶段。梳理了人工智能、心理学、传播学、社会学等多学科融合视域下，大模型 驱动的社交网络多智能体仿真研究的最新进展，总结出该领域逐渐形成的涵盖微观个体行为、中 观互动关系与宏观系统涌现的三层研究体系。微观层面的研究聚焦人类个体仿真，许多研究工作 通过融合心理学理论与大模型来构建具有复杂认知-情感架构的“人性化”智能体；中观层面关注 人类社交交互行为仿真，主要研究智能体间的动态互动与关系演化；宏观层面致力于通过仿真手 段揭示信息传播、群体极化等复杂社会现象的涌现机制。归纳了各层次研究中的关键理论、技术 路径及跨学科融合案例，分析了当前研究在智能体行为效度验证、生成不确定性和计算成本等方 面面临的挑战。展望了虚实联动验证、标准化评估基准构建、记忆与计算效率优化等未来研究 方向。 关键词：大语言模型；社交网络；多智能体；心理特征；社会仿真0　引言 社交网络是以现实社交行为、社交媒体等为 主要载体，由“个体”通过“关系”形成的复杂 系统。在社交网络中，个体可以聊天、交友、获 取咨询，也可以与他人共享信息、交流见解、分 享情感。对于社交网络的分析与建模可以更好地 探索信息扩散、舆论传播、群体行为演化等社会 现象背后的机制。随着新技术的不断出现，这一 领域的研究范式也在持续变化，主要可分为静态 社交网络分析研究、动态社交网络分析与基于代 理的建模、大模型驱动的社交网络多智能体仿真 等3个阶段。 (1) 静态社交网络分析研究。对社交网络进行 建模与分析起源于社会学对人类群体关系的探索， 这些研究多集中于对静态社交网络的结构分析。 1934 年，Moreno[1] 开创社会计量学，系统收集了 社会关系数据，使用社会关系图对社会群体的内 部关系进行可视化并分析群体结构，为后续相关 研究奠定了一定的理论基础。Lazarsfeld 等[2] 以 1940—1944年的美国总统大选为分析对象，通过 研究其中的信息传播网络，发现了意见领袖在社 交中对于信息扩散的关键作用。Milgram[3] 通过连 锁信实验验证了“六度分隔”现象，揭示了大规 模 社 交 网 络 具 有 短 路 径 的 “ 小 世 界 ” 特 性 。 Granovetter[4-5] 等提出了“弱连接优势”理论，实 证表明非紧密关系比强关系更能跨越群体边界传 递非冗余信息，揭示了非紧密关系在信息传递中 的关键作用，成为社交网络分析研究的里程碑。 这些研究的核心贡献在于将“个体”行为放 置于社交“关系”结构中进行解读，并通过图论 等理论方法实现了对社会结构的量化描述，构建 了社交网络结构分析的基础范式，同时也为后续 与复杂系统、大数据、人工智能等理论和技术的 融合留下了发展空间。 (2) 动态社交网络分析与基于代理的建模。实 证数据的不断积累揭示了社交网络结构会随着时 间发生动态演化的普遍性，例如，社区融合、关 系权重变化等。随着计算能力的提升，基于代理 的建模(agent-based modeling, ABM，又称基于主 体的建模) [6] 成为模拟和分析动态社交网络的重要 工具。ABM框架通常包含4个核心要素，即代理、 环境、交互、规则[7] ，通过建模个体的行为模式和 交互规则，并模拟其相互作用，进而在仿真环境 中观察个体层面的行为如何通过局部机制演化为 宏观社会结构或现象，揭示演化背后的机制[8-9] 。 Epstein 等[10] 提出的“糖域”模型，通过对 Agent 设置简单的资源竞争规则，模拟社会分层、人口 迁移等现象，为研究社会资源分配、网络演化关 系等提供了方法途径。Axelrod[11] 提出了“文化传 播模型”，将ABM应用于社交网络，模拟观点如 何通过局部互动形成全局层面的共识或极化，揭 示了同质化效应在动态关系形成中的作用。Macy 等[12] 系统整合了 ABM 和网络动力学的相关研究， 强调情感、信任等主观因素在网络连接形成与断 裂中的驱动作用。ABM 与大数据结合进一步深 化，能够更精准地模拟流行病传播[13] 、舆论传 播[14] 、恐慌性购买行为[15] 等现象。 这一系列研究标志着社交网络分析从静态结 构描述转向对动态过程的机制性解释，将社交网络视为一个动态演化的“生命体”，强调时间维度 (如关系时序、交互频率)对信息扩散、社区演化等 现象的影响。然而，ABM框架仍存在局限性，主 要体现在3个方面：①个体Agent建模的局限性。 Agent的设定通常是“理性”的，其决策和行为依 赖于有限的规则、逻辑函数、统计模型等，难以 体现人类社交中语言交互、情感变化等复杂行为。 ②交互机制的局限性。Agent之间的信息传递主要 依赖于有限状态变量、数值符号等，难以表达语 言、情感、立场等复杂信息[7] 。③仿真环境的局限 性。仿真环境通常基于研究人员观察现实世界并 高度抽象形成的规则与假设，依赖静态、参数化 或形式化的设定方式，严重削弱了模型对现实社 交网络的仿真程度。 (3) 大模型驱动的社交网络多智能体仿真。 LLMs的进展为突破上述局限性提供了新路径，例 如，GPT系列模型通过海量文本的预训练，逐渐 具备了上下文理解、语言生成和逻辑推理能力， 这种能力被延伸至多智能体仿真领域，使智能体 能够基于自然语言进行交互并构建社会关系。 Park 等[16] 提出“生成式智能体”，利用 LLM 模拟 人类角色日常对话与长期记忆，成功复现了社区 活动规划、人际关系冲突等现象。 大模型驱动的智能体(LLM-agent)以自然语言 为载体，融合了心理学、人工智能、社会学等多 个学科知识，凭借其更加强大的语义理解、逻辑 推理、自我演化等能力，促使社交网络的研究从 “规则驱动的符号世界”向“语义驱动的认知世 界”范式转变，提供了更真实、更弹性的实验手 段与平台，为研究者构建了一个“高仿真”实验 沙盒，具体体现在 3 个方面：①自然语言成为了 社交网络仿真的核心载体。在之前的研究中，代 理之间的交互行为通常简化为数值符号，而LLM 能生成富含语义的文本，例如，模拟用户在社交 媒体上的发帖、评论甚至情感表达，包含更加复 杂多样的信息，能够更精准地模拟社交网络中的 信息交互和社交行为[17] 。②动态社会关系的自主 演化。真实社交网络中，人和人之间的关系并不 固定，包括新关系的增加、旧关系的断裂等，之 前基于ABM框架的社交网络仿真需要人工设定关 系变化规则，而基于LLM的多智能体之间可以通 过分析对话内容的语义自动调整“关系”的连接。 ③解析复杂社会现象的涌现机制。大模型的深层 推理能力使 LLM-agent 可处理多因素交织的决策 场景，例如，在流行病传播仿真中，智能体不仅 需要考虑感染率等因素，还需要模拟民众对公共 政策的情感反映，甚至模拟极端言论的生成机制， 可为研究群体极化、谣言传播等复杂社会现象提 供手段[18] 。 本文从人工智能、心理学、社会学、传播学 等多学科融合的视角，系统梳理了大模型驱动的 社交网络多智能体仿真的研究进展，对相关理论 和前沿技术做了一次较为全面的回顾，并客观探 讨了该领域的发展趋势和挑战，可为相关研究提 供参考。